###{r include=FALSE} install.packages("readxl") install.packages("plotly") install.packages("ggplot2") install.packages("dplyr") install.packages("broom") install.packages("raster") ###
## # A tibble: 6 × 7
## Año Mes Lote Distrito `Nombre Distrito` Residuo Toneladas
## <dbl> <chr> <chr> <dbl> <chr> <chr> <dbl>
## 1 2017 enero 1 1 CENTRO RESTO 5996.
## 2 2017 enero 1 1 CENTRO ENVASES 138.
## 3 2017 enero 1 1 CENTRO VIDRIO 503.
## 4 2017 enero 1 1 CENTRO CLINICOS 127.
## 5 2017 enero 1 1 CENTRO ORGÁNICA 0
## 6 2017 enero 3 2 ARGANZUELA RESTO 2955.
## Tipo.de.residuo
## 1 10.1.1 Residuos domésticos y similares (domésticos y vías públicas)
## 2 10.1.1 Residuos domésticos y similares (domésticos y vías públicas)
## 3 10.1.1 Residuos domésticos y similares (domésticos y vías públicas)
## 4 10.1.1 Residuos domésticos y similares (domésticos y vías públicas)
## 5 10.1.1 Residuos domésticos y similares (domésticos y vías públicas)
## 6 10.1.1 Residuos domésticos y similares (domésticos y vías públicas)
## Comunidades.y.Ciudades.Autónomas Periodo Total
## 1 Total Nacional 2021 16854362
## 2 Total Nacional 2020 16452778
## 3 Total Nacional 2019 17034229
## 4 Total Nacional 2018 17611068
## 5 Total Nacional 2017 17457709
## 6 Total Nacional 2016 17141367
###```{r} #heatmap: Muestra la cantidad de residuos por tipo de residuo “TOTAL RESIDUOS” para el año 2010 #usar la base de datos residuos.comunidadesautonomas #no usar la comunidad autónoma “Total Nacional” #usar el color de relleno para diferenciar las comunidades autónomas #usar el título “Cantidad de residuos por total de residuos en España por comunidad autónoma en 2010” #usar la leyenda abajo en pequeño
shapefile_ccaa <- shapefile(“C:/Users/isalc/OneDrive - Fundación Universitaria San Pablo CEU/Documentos/TFG/ComunidadesAutonomas_ETRS89_30N/Comunidades_Autonomas_ETRS89_30N.shp”) data_ccaa <- tidy(shapefile_ccaa) nombres_ccaa <- tibble(shapefile_ccaa$Texto) %>% mutate(id = as.character(seq(0, nrow(.)-1)))
data_ccaa_mapa <- data_ccaa %>% left_join(nombres_ccaa, by =
“id”) %>% rename(ccaa = shapefile_ccaa$Texto) #añadir el
mapa de las comunidades autónomas de España data_ccaa_mapa %>%
ggplot() + geom_polygon(aes( x= long, y = lat, group = group), fill =
“black”, alpha = 0.8, size = 0.05 ) + theme_void() +
theme(panel.background = element_rect(size= 0.5, color = “white”, fill =
“white”)) + labs(title = “CCAA”, subtitle = “España”)
###```
###```{r} #https://rpubs.com/albtorval/595824
shapefile_ccaa <- shapefile(“C:/Users/isalc/OneDrive - Fundación Universitaria San Pablo CEU/Documentos/TFG/ComunidadesAutonomas_ETRS89_30N/Comunidades_Autonomas_ETRS89_30N.shp”) data_ccaa <- tidy(shapefile_ccaa) nombres_ccaa <- tibble(shapefile_ccaa$Texto) %>% mutate(id = as.character(seq(0, nrow(.)-1)))
data_ccaa_mapa <- data_ccaa %>% left_join(nombres_ccaa, by =
“id”) %>% rename(ccaa = shapefile_ccaa$Texto)
data_ccaa_mapa %>% ggplot() + geom_polygon(aes( x= long, y = lat, group = group), fill = “black”, alpha = 0.8, size = 0.05 ) + theme_void() + theme(panel.background = element_rect(size= 0.5, color = “white”, fill = “white”)) + labs(title = “CCAA”, subtitle = “España”) ###```
Este capítulo se centra en un análisis descriptivo de la generación de residuos en España. Para ello, se utiliza la base de datos “Cantidad de residuos urbanos recogidos clasificados por tipo de residuo, periodo y comunidades autónomas” que contiene información sobre la cantidad de residuos generados en España por tipo de residuo y por comunidad autónoma. La base de datos tiene información desde el año 2010 hasta el año 2021. En este análisis, se utiliza la información de los años 2010 a 2021 para ver cómo ha evolucionado la cantidad de residuos en España por tipo de residuo y por comunidad autónoma. A través de varios gráficos, se visualiza esta información y se identifican algunas tendencias y patrones en la generación de residuos en España.
En el gráfico anterior llamado “Evolución de la cantidad de residuos en España por tipo de residuo”, se muestra cómo ha cambiado la cantidad de residuos en España por tipo de residuo en el tiempo. En este gráfico, se puede observar que la cantidad de residuos ha aumentado en general a lo largo de los años, con algunos tipos de residuos que han experimentado un aumento más pronunciado que otros. Por ejemplo, los residuos domésticos y similares han experimentado un aumento constante a lo largo de los años, mientras que los residuos de construcción y demolición han experimentado un aumento más moderado. Este gráfico proporciona una visión general de cómo ha evolucionado la cantidad de residuos en España por tipo de residuo y puede ser útil para identificar tendencias y patrones en la generación de residuos en el país.
#mismo gráfico pero sin el outlier de “10.1.1 Residuos domésticos y similares (domésticos y vías públicas)”
#Evolución de la cantidad de residuos en España por tipo de residuo y comunidad autónoma
#Distribución del total del residuos en España
#Histograma para cada tipo de residuo
#Stacked bar chart por tipo de recogida de residuo
###```{r} #grafico de barras apiladas para ver la cantidad de residuos por tipo de recogida y por año para Andalucía #usar la base de datos residuos.comunidadesautonomas #usar tipo de residuos “TOTAL RESIDUOS MEZCLADOS” y “TOTAL RESIDUOS DE RECOGIDA SEPARADA” #usar la cantidad de residuos en el eje y #usar el año en el eje x #añadir etiqueta de porcentaje en cada barra #usar el color de relleno para diferenciar los tipos de residuos #usar el título “Cantidad de residuos por tipo de recogida en Andalucía”
barras.residuos.recogida.andalucia<-ggplot(data=residuos.comunidadesautonomas[residuos.comunidadesautonomas\(Comunidades.y.Ciudades.Autónomas=="01 Andalucía" & residuos.comunidadesautonomas\)Tipo.de.residuo %in% c(“TOTAL RESIDUOS MEZCLADOS”, “TOTAL RESIDUOS DE RECOGIDA SEPARADA”),], aes(x=Periodo, y=Total, fill=Tipo.de.residuo)) + geom_bar(stat=“identity”) + labs(title=“Cantidad de residuos por tipo de recogida en Andalucía”, x=“Año”, y=“Toneladas”) + theme(legend.position = “bottom”, legend.text = element_text(size = 6)) + geom_text(aes(label = scales::percent(Total/sum(Total[Tipo.de.residuo == fill & Periodo == x])), y = Total), position = position_stack(vjust = 0.5)) ggplotly(barras.residuos.recogida.andalucia) ###```
###```{r} #Agrupa comunidades autónomas similares en función de sus patrones de residuos #usar la base de datos residuos.comunidadesautonomas #usar análisis de cluster k-means para agrupar las comunidades autónomas #usar la cantidad de residuos por tipo de residuo, año y comunidad autónoma
#no usar la comunidad autónoma “Total Nacional”
#no usar el tipo de residuo “TOTAL RESIDUOS”, “TOTAL RESIDUOS MEZCLADOS” y “TOTAL RESIDUOS DE RECOGIDA SEPARADA”
#usar el título “Agrupación de comunidades autónomas en función de sus patrones de residuos”
residuos.comunidadesautonomas.cluster <- residuos.comunidadesautonomas %>% filter(Comunidades.y.Ciudades.Autónomas != “Total Nacional” & !Tipo.de.residuo %in% c(“TOTAL RESIDUOS”, “TOTAL RESIDUOS MEZCLADOS”, “TOTAL RESIDUOS DE RECOGIDA SEPARADA”)) %>% select(-c(Comunidades.y.Ciudades.Autónomas, Periodo, Tipo.de.residuo))
residuos.comunidadesautonomas.cluster <- scale(residuos.comunidadesautonomas.cluster)
kmeans_results <- kmeans(residuos.comunidadesautonomas.cluster, centers = 3)
#residuos.comunidadesautonomas\(cluster <- as.factor(kmeans_results\)cluster)
cluster_plot <- ggplot(residuos.comunidadesautonomas, aes(x = Total, y = cluster, color = cluster)) + geom_point() + labs(title = “Agrupación de comunidades autónomas en función de sus patrones de residuos”, x = “Toneladas”, y = “Cluster”) + theme(legend.position = “none”)
ggplotly(cluster_plot)
###```
###```{r} #Agrupa comunidades autónomas similares en función de sus patrones de residuos #usar la base de datos residuos.comunidadesautonomas #usar análisis de cluster k-means para agrupar las comunidades autónomas #usar la cantidad de residuos por tipo de residuo, año y comunidad autónoma #no usar la comunidad autónoma “Total Nacional” #no usar el tipo de residuo “TOTAL RESIDUOS”, “TOTAL RESIDUOS MEZCLADOS” y “TOTAL RESIDUOS DE RECOGIDA SEPARADA” #usar el título “Agrupación de comunidades autónomas en función de sus patrones de residuos”
residuos.comunidadesautonomas.cluster <- residuos.comunidadesautonomas %>% filter(Comunidades.y.Ciudades.Autónomas != “Total Nacional” & !Tipo.de.residuo %in% c(“TOTAL RESIDUOS”, “TOTAL RESIDUOS MEZCLADOS”, “TOTAL RESIDUOS DE RECOGIDA SEPARADA”)) %>% select(-c(Comunidades.y.Ciudades.Autónomas, Periodo, Tipo.de.residuo))
residuos.comunidadesautonomas.cluster <- scale(residuos.comunidadesautonomas.cluster)
kmeans_results <- kmeans(residuos.comunidadesautonomas.cluster, centers = 3)
#residuos.comunidadesautonomas\(cluster <- as.factor(kmeans_results\)cluster)
cluster_plot <- ggplot(residuos.comunidadesautonomas, aes(x = Total, y = cluster, color = cluster)) + geom_point() + labs(title = “Agrupación de comunidades autónomas en función de sus patrones de residuos”, x = “Toneladas”, y = “Cluster”) + theme(legend.position = “none”)
ggplotly(cluster_plot)
#```
## Año Mes Lote Distrito
## Min. :2017 Length:12893 Length:12893 Min. : 1.00
## 1st Qu.:2019 Class :character Class :character 1st Qu.: 6.00
## Median :2021 Mode :character Mode :character Median :12.00
## Mean :2020 Mean :18.42
## 3rd Qu.:2022 3rd Qu.:18.00
## Max. :2023 Max. :99.00
## Nombre Distrito Residuo Toneladas
## Length:12893 Length:12893 Min. : 0.00
## Class :character Class :character 1st Qu.: 49.06
## Mode :character Mode :character Median : 190.62
## Mean : 628.98
## 3rd Qu.: 594.30
## Max. :6922.04
## tibble [12,893 × 7] (S3: tbl_df/tbl/data.frame)
## $ Año : num [1:12893] 2017 2017 2017 2017 2017 ...
## $ Mes : chr [1:12893] "enero" "enero" "enero" "enero" ...
## $ Lote : chr [1:12893] "1" "1" "1" "1" ...
## $ Distrito : num [1:12893] 1 1 1 1 1 2 2 2 2 2 ...
## $ Nombre Distrito: chr [1:12893] "CENTRO" "CENTRO" "CENTRO" "CENTRO" ...
## $ Residuo : chr [1:12893] "RESTO" "ENVASES" "VIDRIO" "CLINICOS" ...
## $ Toneladas : num [1:12893] 5996 138 503 127 0 ...
## # A tibble: 6 × 7
## Año Mes Lote Distrito Nombre.Distrito Residuo Toneladas
## <dbl> <fct> <chr> <dbl> <chr> <chr> <dbl>
## 1 2017 enero 1 1 CENTRO RESTO 5996.
## 2 2017 enero 1 1 CENTRO ENVASES 138.
## 3 2017 enero 1 1 CENTRO VIDRIO 503.
## 4 2017 enero 1 1 CENTRO CLINICOS 127.
## 5 2017 enero 1 1 CENTRO ORGÁNICA 0
## 6 2017 enero 3 2 ARGANZUELA RESTO 2955.
## # A tibble: 104 × 3
## # Groups: Año [7]
## Año Residuo Toneladas
## <dbl> <chr> <dbl>
## 1 2017 ANIMALES MUERTOS 129.
## 2 2017 CARTÓN COMERCIAL 3858.
## 3 2017 CLINICOS 4495.
## 4 2017 CONTENEDORES ROPA USADA 35.2
## 5 2017 Cartón limpieza viaria 650.
## 6 2017 ENVASES 76100.
## 7 2017 ORGÁNICA 2059.
## 8 2017 PAPEL-CARTÓN 38334.
## 9 2017 PILAS 46.6
## 10 2017 PUNTOS LIMPIOS 8818.
## # ℹ 94 more rows
## # A tibble: 154 × 3
## # Groups: Año [7]
## Año Nombre.Distrito Toneladas
## <dbl> <chr> <dbl>
## 1 2017 ARGANZUELA 40357.
## 2 2017 BARAJAS 20288.
## 3 2017 CARABANCHEL 74363.
## 4 2017 CENTRO 82605.
## 5 2017 CHAMARTÍN 48905.
## 6 2017 CHAMBERÍ 46939.
## 7 2017 CIUDAD LINEAL 62168.
## 8 2017 FUENCARRAL 79015.
## 9 2017 HORTALEZA 55504.
## 10 2017 LATINA 67232.
## # ℹ 144 more rows
## # A tibble: 1,848 × 4
## # Groups: Año, Mes [84]
## Año Mes Nombre.Distrito Toneladas
## <dbl> <fct> <chr> <dbl>
## 1 2017 enero ARGANZUELA 3564.
## 2 2017 enero BARAJAS 1713.
## 3 2017 enero CARABANCHEL 6490.
## 4 2017 enero CENTRO 6765.
## 5 2017 enero CHAMARTÍN 4294.
## 6 2017 enero CHAMBERÍ 4124.
## 7 2017 enero CIUDAD LINEAL 5496.
## 8 2017 enero FUENCARRAL 6920.
## 9 2017 enero HORTALEZA 4905.
## 10 2017 enero LATINA 5965.
## # ℹ 1,838 more rows
## # A tibble: 1,222 × 4
## # Groups: Año, Mes [84]
## Año Mes Residuo Toneladas
## <dbl> <fct> <chr> <dbl>
## 1 2017 enero ANIMALES MUERTOS 9.38
## 2 2017 enero CARTÓN COMERCIAL 310.
## 3 2017 enero CLINICOS 465.
## 4 2017 enero CONTENEDORES ROPA USADA 3.06
## 5 2017 enero Cartón limpieza viaria 51.9
## 6 2017 enero ENVASES 6238.
## 7 2017 enero ORGÁNICA 0
## 8 2017 enero PAPEL-CARTÓN 3461.
## 9 2017 enero PILAS 6.73
## 10 2017 enero PUNTOS LIMPIOS 743.
## # ℹ 1,212 more rows